Nội dung này phục vụ mục đích giáo dục, không phải lời khuyên đầu tư hoặc tín hiệu giao dịch.

Trả lời ngắn: Data trong AI Trading là thông tin hệ thống thu thập, ghi thời điểm, làm sạch và biến đổi để model học hoặc dự đoán. Data tốt không chỉ cần nhiều; nó phải đúng nguồn, đúng phiên bản đã tồn tại lúc quyết định, nhất quán giữa backtest và live, đồng thời có dấu vết để kiểm tra lại.

Đọc xong, bạn sẽ hiểu:

  • Bốn nhóm dữ liệu thường xuất hiện trong AI Trading.
  • Vì sao ngày của sự kiện khác ngày model được phép biết thông tin.
  • Cách kiểm tra một bảng dữ liệu trước khi tin kết quả model.

1. Data là bức ảnh có nguồn và dấu thời gian

Data, hay dữ liệu, là thông tin được ghi lại và có thể dùng ở một thời điểm xác định. Trong AI Trading, đó không chỉ là lịch sử giá. Một bản ghi cần trả lời ít nhất ba câu: thông tin đến từ đâu, nó mô tả thời điểm nào và hệ thống nhận được nó lúc nào.

Ví dụ, giá đóng cửa ngày hôm qua có thể được biết sau khi phiên kết thúc. Báo cáo quý kết thúc ngày 31/3 có thể tới ngày 20/4 mới công bố. Nếu backtest cho model dùng số liệu quý I từ ngày 31/3, hệ thống đã nhìn thấy tương lai gần ba tuần dù con số tự nó là thật.

Đó là yêu cầu point-in-time: tại mỗi mốc giả lập, chỉ dùng phiên bản đã thật sự tồn tại. Đặt bản mới nhất ngược vào quá khứ sẽ tạo lịch sử đẹp giả.

Market data là dữ liệu do hoạt động thị trường tạo ra, như giá, khối lượng, báo giá, giao dịch và sổ lệnh. Nhưng ngay cả market data cũng cần ngữ cảnh: múi giờ, giờ giao dịch, điều chỉnh cổ tức/chia tách, loại giá, nguồn và độ trễ.

Hình 1 — Data dùng được phải giữ được nguồn, thời điểm và dấu vết biến đổi trước khi tới model.

Một “hợp đồng dữ liệu” gồm Nguồn → Thời điểm → Làm sạch → Feature → Log. Nó giữ xuất xứ, ngăn thông tin tương lai, ghi quy tắc biến đổi và cho phép lần ngược khi live khác backtest.

Trong năm lớp của hệ thống AI Trading, Data đứng đầu chuỗi vì mọi lớp sau chỉ có thể xử lý điều nó nhận được. Model mạnh không sửa được một mốc thời gian sai mà chính nó không biết là sai.

2. Bốn nhóm dữ liệu thường gặp

Không phải hệ thống nào cũng cần mọi loại. Chọn dữ liệu phải bắt đầu từ câu hỏi cần trả lời, không phải từ thứ đang dễ mua hoặc nghe có vẻ hiện đại.

Dữ liệu thị trường gồm giá, khối lượng, bid–ask, giao dịch và sổ lệnh. Dữ liệu tick chi tiết hơn nến ngày nhưng nặng, nhiễu và cần đồng bộ thời gian chặt hơn.

Dữ liệu cơ bản và vĩ mô gồm báo cáo doanh nghiệp, lãi suất, lạm phát, GDP hoặc lịch sự kiện. Những con số này thường có ngày của kỳ báo cáo, ngày công bố và đôi khi có bản điều chỉnh. Kho SEC EDGAR APIs là ví dụ nguồn công bố doanh nghiệp chính thống; ALFRED lưu các phiên bản theo thời gian của nhiều chuỗi kinh tế Mỹ.

Dữ liệu văn bản và tin tức gồm thông cáo, báo cáo, transcript hoặc tin. Nó cần kiểm soát thời điểm phát hành, bài sửa, nguồn trùng và quyền sử dụng.

Dữ liệu vận hành và thực thi gồm lệnh gửi, lệnh bị từ chối, thời gian phản hồi, giá khớp, phí và vị thế thực tế. Nhóm này cho biết hệ thống đã làm gì, khác với điều model từng đề xuất. Thiếu nó, bạn khó biết hiệu quả xấu do Data/Model hay do Execution.

Hình 2 — Mỗi nhóm trả lời một câu hỏi khác nhau và có độ trễ, giấy phép cùng lỗi riêng.

Alternative data, hay dữ liệu thay thế, nằm ngoài nguồn tài chính truyền thống, như lượt truy cập hoặc dữ liệu địa lý. Nó không mặc định tốt hơn và thường khó kiểm chứng, cấp phép.

3. Từ dữ liệu thô tới feature mà model nhìn thấy

Model hiếm khi đọc bảng thô. Dữ liệu thường được chuẩn hóa tên trường/múi giờ, bỏ bản ghi trùng, đánh dấu giá trị thiếu và tính biến mới.

Feature là biến đầu vào model được tạo từ dữ liệu thô. Từ chuỗi giá, hệ thống có thể tính mức thay đổi 20 phút; từ khối lượng, tính tỷ lệ so với trung bình gần đây. Label là kết quả mục tiêu model học dự đoán, ví dụ hướng biến động trong 30 phút sau. Feature thuộc phía thông tin đầu vào; label thuộc phía kết quả cần học.

Ví dụ giả định:

Bản ghi thô Biến tạo ra Điều model nhìn thấy
Giá 100 lúc 10:00; 102 lúc 10:20 Thay đổi 20 phút +2%
Khối lượng 1.500; trung bình 1.000 Tỷ lệ khối lượng 1,5 lần
Tin phát lúc 10:15 Cờ sự kiện 1 từ 10:15 trở đi

Nếu tin được viết về sự kiện lúc 9:00 nhưng đến 10:15 mới phát, feature không được bật từ 9:00. Model chỉ được nhìn điều pipeline đã nhận ở thời điểm quyết định.

Hình 3 — Số liệu thuộc quý I không có nghĩa model đã được biết nó từ ngày 31/3.

Quy tắc quan trọng là dùng cùng logic feature trong nghiên cứu và live. Google ghi nhận training-serving skew, tức đầu vào khi huấn luyện khác đầu vào lúc phục vụ, có thể làm hiệu suất production giảm; một biện pháp là log feature đã dùng lúc serving để so lại với training (Rules of ML).

4. Năm lỗi dữ liệu làm kết quả đẹp giả

Sai thời điểm. Dữ liệu thật nhưng chưa tồn tại ở ngày giả lập. Đây là cửa ngõ của look-ahead bias.

Dữ liệu thiếu bị lấp tùy tiện. Missing data là giá trị đáng lẽ có nhưng bị thiếu. Điền bằng số 0 có thể biến “không biết” thành “không có”. Forward-fill có thể kéo một giá trị cũ qua quá nhiều thời gian. Quy tắc xử lý phải phù hợp ý nghĩa của trường.

Chỉ giữ tài sản sống sót. Dataset hôm nay chỉ có mã còn niêm yết sẽ bỏ các mã từng biến mất, làm lịch sử đẹp hơn thực tế.

Data leakage. Đây là việc thông tin không hợp lệ lọt vào feature, tập huấn luyện hoặc đánh giá. Ví dụ label tương lai vô tình tham gia bước chuẩn hóa. Bài riêng về Data Leakage sẽ đi sâu cách phát hiện; ở đây chỉ cần nhớ ranh giới thời gian phải được khóa trước mọi biến đổi. Google cũng liệt kê label leakage là tín hiệu cần theo dõi trong pipeline ML production (Monitoring Pipelines).

Train và live không cùng dữ liệu. Backtest dùng feed sạch cuối ngày, còn live dùng feed trễ hoặc schema khác. Đây là training-serving skew. Model không nhất thiết hỏng; hợp đồng dữ liệu giữa hai môi trường đã khác.

Checklist trước khi tin một dataset:

  1. Có tên nguồn và quyền sử dụng rõ không?
  2. Có tách thời điểm sự kiện, công bố và hệ thống nhận không?
  3. Có giữ bản gốc, quy tắc làm sạch và phiên bản không?
  4. Feature training và live có cùng code/cùng nghĩa không?
  5. Có log missing rate, độ trễ và thay đổi schema không?

NIST khuyến nghị AI được kiểm thử trước triển khai, đo lường thường xuyên trong vận hành và ghi lại phương pháp, sai số cùng giới hạn (NIST AI RMF Core). Nếu không trả lời được nguồn, thời điểm hoặc cách tái tạo feature, điểm dừng là chưa dùng kết quả để giao dịch tiền thật.

5. Bài tập 15 phút: kiểm một bảng dữ liệu nhỏ

Mở Google Sheets hoặc lấy giấy. Dùng bảng giả định sau:

Dòng Sự kiện Thời điểm sự kiện Thời điểm công bố Giá trị
1 Giá đóng cửa 31/3 15:00 31/3 15:00 100
2 Doanh thu quý I 31/3 20/4 08:00 120 tỷ
3 Tin sản phẩm 10/4 09:00 10/4 09:05 Tích cực
4 Khối lượng 10/4 09:05 10/4 09:05 Trống

Giả sử model ra quyết định lúc 10/4 09:03. Trong 15 phút:

  1. Đánh dấu dòng nào model được phép dùng.
  2. Ghi lý do cho từng dòng chưa hợp lệ.
  3. Chọn cách biểu diễn dữ liệu thiếu mà không tự bịa số.
  4. Viết một feature có thể tính tại 09:03.
  5. Ghi lại một log cần lưu để tái tạo quyết định.

Mẫu đối chiếu đã điền

Dòng Dùng lúc 09:03? Lý do
1 Có Đã công bố từ 31/3
2 Không Tới 20/4 mới công bố
3 Không Tới 09:05 hệ thống mới nhận
4 Không Bản ghi thuộc 09:05 và còn thiếu giá trị

Kết luận mẫu: tại 09:03 chỉ dòng 1 hợp lệ. Có thể tạo feature từ lịch sử giá đã biết, nhưng không được dùng doanh thu quý I hoặc nội dung tin chưa phát. Với dữ liệu thiếu, lưu cờ missing=1 và quy tắc xử lý thay vì tự điền số tùy ý.

Bài tập dùng bảng giả, không kết nối API và chưa giao dịch tiền thật. Sau đó đọc Backtest là gì trong AI Trading?.

6. Tổng kết và đường học tiếp

Năm ý chính

  • Data phải có nguồn, dấu thời gian, phiên bản và dấu vết biến đổi.
  • Bốn nhóm phổ biến là market, cơ bản/vĩ mô, văn bản và vận hành.
  • Feature là đầu vào model; label là kết quả mục tiêu cần học.
  • Point-in-time ngăn phiên bản tương lai bị đặt ngược vào quá khứ.
  • Train/live khác hợp đồng dữ liệu có thể làm hệ thống hỏng dù model không đổi.

Câu hỏi tự kiểm tra

  • Báo cáo quý kết thúc 31/3 có được dùng từ 31/3 không?
  • Feature và label khác nhau ở đâu?
  • Vì sao điền mọi dữ liệu thiếu bằng 0 có thể sai?
  • Training-serving skew là gì?

Gợi ý đáp án

Xem gợi ý câu 1

Không mặc định; chỉ dùng từ lúc báo cáo thật sự được công bố và hệ thống nhận được. → xem mục 1 và 3.

Xem gợi ý câu 2

Feature là thông tin đầu vào; label là kết quả mục tiêu model học dự đoán. → xem mục 3.

Xem gợi ý câu 3

Số 0 mang nghĩa “không có”, còn dữ liệu thiếu mang nghĩa “chưa biết”; đổi một thành hai sẽ tạo tín hiệu giả. → xem mục 4.

Xem gợi ý câu 4

Đó là khi đầu vào hoặc cách xử lý lúc huấn luyện khác lúc chạy live. → xem mục 3 và 4.

Thuật ngữ cần nhớ

Thuật ngữ Giải thích ngắn
Data Thông tin được ghi lại để hệ thống sử dụng.
Market data Giá, báo giá, giao dịch, khối lượng và sổ lệnh.
Point-in-time Chỉ dùng phiên bản đã tồn tại lúc quyết định.
Feature Biến đầu vào model tạo từ dữ liệu thô.
Label Kết quả mục tiêu model học dự đoán.
Missing data Giá trị đáng lẽ có nhưng bị thiếu.
Data leakage Thông tin không hợp lệ lọt vào quá trình học hoặc đánh giá.
Training-serving skew Đầu vào training khác đầu vào live.

Nguồn tham khảo

Quay về AI Trading là gì? để đặt Data vào toàn bộ hệ thống, rồi đọc Model trong AI Trading là gì? để xem feature được biến thành output ra sao.

Chọn đúng bài trong lộ trình

Bài này tập trung vào data trong AI Trading — nguồn, chất lượng, timestamp và feature. Nếu bạn cần bức tranh chung trước khi đi sâu, hãy bắt đầu từ AI Trading là gì? Hướng dẫn từ nền tảng đến kiểm định. Các bước liên quan trực tiếp là Kiến trúc dữ liệu thời gian thực cho AI Trading, Data Leakage và Look-ahead Bias và Model trong AI Trading là gì.

Nội dung này phục vụ mục đích giáo dục, không phải lời khuyên đầu tư hoặc tín hiệu giao dịch. Mọi thị trường đều có rủi ro mất vốn.